Тест, свързан с ръководство · трудно Ниво

Echo State Networks и тест за изчисляване на резервоари

Проверява фиксираната динамика на резервоара, обучените показания, затихващата памет, спектралния радиус и изчисленията зад прогнозите за резервоара.

Свързани ръководни пътекиМрежи за състояние на ехо и изчисляване на резервоари
Въпрос 1 на 8

В Echo State Network кои тежести всъщност се тренират?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. В Echo State Network кои тежести всъщност се тренират?
    • Само изходните (прочетените) тегла
    • Всички повтарящи се тежести вътре в резервоара
    • Само въведените тегла
    • Никога не се тренират тежести
  2. Кое условие изразява свойството състояние на ехо за две изпълнения с една и съща история на въвеждане?
    • Their recurrent weights must all be trained by backpropagation
    • Their reservoir states eventually become independent of different initial states
    • Their output weights must have spectral radius exactly one
    • Their hidden states must equal the raw input at every step
  3. Защо обучението на ESN е много по-бързо от обучението на стандартен LSTM?
    • ESN изобщо не използват неврони
    • ESN работят само на квантови компютри
    • ESN избягват обратното разпространение през времето, като разрешават само линейно отчитане
    • ESN не изискват входни данни
  4. Как често се използва спектралният радиус при настройка на резервоар за ехо-състояние?
    • It directly sets the number of readout classes
    • It guarantees fading memory for every recurrent matrix
    • It measures the number of trainable reservoir weights
    • It is a recurrent-feedback scale heuristic for balancing rich dynamics and stability, not a complete guarantee of the echo state property
  5. От кого бяха въведени Liquid State Machines, форма на резервоарно изчисление с пиков неврон?
    • Волфганг Маас
    • Джефри Хинтън
    • Андрю Нг
    • Йошуа Бенгио
  6. What does the fixed reservoir compute before the ESN readout produces an output?
    • A normalized probability over all possible weights
    • A high-dimensional dynamic state representation of recent inputs
    • A learned transition table for every future sequence
    • A separate trained policy for each output class
  7. What method is commonly used to fit an Echo State Network’s readout weights?
    • Backpropagation through all fixed recurrent weights
    • Dynamic routing by agreement
    • Linear least-squares regression, often with ridge regularization
    • A softmax over reservoir eigenvalues
  8. What does the spectral radius of a recurrent weight matrix mean?
    • The sum of all matrix entries
    • The number of nonzero output weights
    • The average magnitude of the input sequence
    • The largest absolute value among its eigenvalues